Microsoft вложила годы разработки в Maia 200 — второе поколение собственного процессора для ИИ. Чип уже работает в дата-центрах компании в Айове и Фениксе, выполняя задачи инференса (запуск готовых моделей вроде GPT-5) для Copilot 365 и OpenAI. Технические характеристики новинки очень хороши: 140 миллиардов транзисторов на 3-нанометровом техпроцессе TSMC, 216 гигабайт высокоскоростной памяти HBM3e и производительность свыше 10 петафлопс при работе с FP4-вычислениями. Важнее цифр другое: Microsoft хочет избавиться от зависимости Nvidia, которая сейчас фактически контролирует рынок ИИ-ускорителей и диктует условия всем — от стартапов до гигантов вроде Amazon и Google.
Дефицит чипов достиг критической точки. Производители высокоскоростной памяти HBM — Samsung, SK Hynix и Micron — распродали всю продукцию на 2026 год. Цены на память для серверов выросли на 50% за год, сроки поставки Nvidia H100 растянулись до шести месяцев, а CEO Synopsys (компания разрабатывает ПО для проектирования, верификации и тестирования микросхем) предупреждает, что кризис продлится до 2027 года. В таких условиях облачные провайдеры оказались в ловушке: расширяться нужно немедленно, но Nvidia не справляется с поставками. Microsoft, Google и Amazon хотят уменьшить зависимость от, по сути, монополиста рынка. Поэтому все трое занялись разработкой проприетарных (то есть полностью принадлежащих им) чипов-ускорителей.
Maia 200 — это узкоспециализированный инструмент. Его предназначение — инференс, то есть работа с уже обученными моделями. Когда вы общаетесь с ChatGPT, генерируете изображения или работаете с Copilot, где-то на сервере происходит инференс: модель обрабатывает ваш запрос и выдает ответ. Microsoft оптимизировала Maia под форматы FP4 и FP8 — низкоточные вычисления, которые позволяют обрабатывать больше данных при меньшем энергопотреблении. Результат: на 30% лучше показатель цена-производительность по сравнению с конкурентами, а энергопотребление всего 750 ватт против 1400 у Nvidia B300.
Обучение требует высокоточных вычислений на аппаратном уровне, которые чип не поддерживает. Иными словами, если вы хотите создать новую большую языковую модель с нуля, вам всё равно придется покупать GPU Nvidia. Вот почему Microsoft называет Maia «самой эффективной системой инференса», а не универсальной заменой GPU.
Google занимается разработкой TPU (Tensor Processing Unit) с 2015 года и сейчас выпустил седьмое поколение — TPU v7 Ironwood. По оценкам аналитиков, TPU v7 сопоставим с Blackwell от Nvidia по возможностям инференса, а в некоторых тестах даже превосходит его. На них Google и тренирует свою модель Gemini 3, а Anthropic (создатель Claude) использует TPU для части своей инфраструктуры. И у Amazon есть аналогичное решение — Trainium 3.
Проприетарные чипы создают закрытую экосистему. Maia 200 работает только в Azure, TPU — только в Google Cloud, Trainium — только в AWS. Клиенты, которые строят инфраструктуру под эти ускорители, оказываются привязанными к конкретному облачному провайдеру. В индустрии это называют vendor lock-in (привязка к поставщику), и многие компании этого боятся. С Nvidia всё проще: купил GPU, запустил код на CUDA (программная платформа Nvidia), и всё работает в любом облаке или на своих серверах. Переход с Nvidia на TPU или Maia требует переписывания кода, перенастройки инфраструктуры и обучения команды. Поэтому экосистема Nvidia все равно остается доминирующей.
Microsoft пытается решить эту проблему через SDK (набор инструментов для программистов). Компания открыла предварительный доступ к софту для Maia 200, приглашая академические лаборатории, разработчиков и open-source сообщество оптимизировать свои модели под новый чип. Это стандартная тактика: чем больше людей научатся работать с твоим «железом», тем больше шансов, что оно станет индустриальным стандартом. Но пока что это борьба с ветряными мельницами — экосистема Nvidia на несколько порядков мощнее.
Сейчас Microsoft строит 15 новых дата-центров в Маунт-Плезант, Висконсин — проект стоимостью более 13 миллиардов долларов. Anthropic (которой Microsoft инвестировал миллиарды) подписала соглашение с Samsung и SK Hynix на поставку до 900 тысяч пластин HBM в месяц к 2029 году — это примерно вдвое больше, чем весь мировой объем производства HBM сегодня. OpenAI планирует «Stargate» — 33 гигаватта вычислительной мощности. Для сравнения: дата-центр на 1 гигаватт стоит около 50 миллиардов долларов, из которых 35 миллиардов уходит на чипы. Индустрия строит инфраструктуру, которая по капиталоемкости сопоставима с атомными электростанциями.
Nvidia тоже не стоит на месте. Компания анонсировала Rubin — следующее поколение GPU, которое обещает пятикратный прирост производительности инференса по сравнению с Blackwell и Maia 200. Запуск намечен на конец 2026 года. Это означает, что Microsoft, Google и Amazon участвуют в гонке вооружений: каждые 12-18 месяцев нужно выпускать новое поколение чипов, иначе отстанешь. Microsoft уже работает над Maia 300, который, судя по слухам, будет поддерживать не только инференс, но и обучение моделей. Если это правда, то компания попытается закрыть главное слабое место своего чипа и составить полноценную конкуренцию Nvidia.
